CN110443404A - 一种基于热量组分解析的建筑空调负荷预测方法 - Google Patents
一种基于热量组分解析的建筑空调负荷预测方法 Download PDFInfo
- Publication number
- CN110443404A CN110443404A CN201910571834.0A CN201910571834A CN110443404A CN 110443404 A CN110443404 A CN 110443404A CN 201910571834 A CN201910571834 A CN 201910571834A CN 110443404 A CN110443404 A CN 110443404A
- Authority
- CN
- China
- Prior art keywords
- load
- component
- air conditioning
- matrix
- method based
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000004378 air conditioning Methods 0.000 title claims abstract description 38
- 238000013277 forecasting method Methods 0.000 title claims abstract description 18
- 239000011159 matrix material Substances 0.000 claims abstract description 41
- 238000012549 training Methods 0.000 claims abstract description 10
- 230000000877 morphologic effect Effects 0.000 claims abstract description 8
- 238000004088 simulation Methods 0.000 claims abstract description 8
- 238000012544 monitoring process Methods 0.000 claims abstract description 4
- 230000005855 radiation Effects 0.000 claims description 6
- 230000015572 biosynthetic process Effects 0.000 claims description 2
- 238000005286 illumination Methods 0.000 claims description 2
- 241001269238 Data Species 0.000 claims 1
- 238000000605 extraction Methods 0.000 abstract description 3
- 238000000034 method Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 238000000354 decomposition reaction Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 2
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 1
- 240000002853 Nelumbo nucifera Species 0.000 description 1
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000010921 in-depth analysis Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 238000005057 refrigeration Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/28—Determining representative reference patterns, e.g. by averaging or distorting; Generating dictionaries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- Water Supply & Treatment (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明公开一种基于热量组分解析的建筑空调负荷预测方法，包括以下步骤：S1：模拟获取典型类型建筑空调负荷中具有不同物理意义及形态特征的热量组分数据，抽取部分热量组分数据构成各组分字典学习样本矩阵；S2：对各组分字典学习样本矩阵运用非负K‑SVD字典学习算法，获得相应字典矩阵；S3：结合各字典矩阵，运用非负稀疏表示算法进行解析，获得历史数据中各项负荷组分的估计值；S4：在实际监测中获取预测训练样本对应时刻的室外气象参数；S5：对于S3中解析获得的由外部扰动产生的分项负荷组分，创建以室外气象参数及历史分项负荷组分数据为输入变量的黑箱预测模型；S6：创建自回归预测模型；S7：建立总预测模型。
Description
技术领域
本发明涉及空调负荷预测领域，特别是涉及一种基于热量组分解析的建筑空调负荷预测方法。
背景技术
建筑空调负荷受到多种因素的影响，包括外部气象因素和内部人行为因素，其波动是一个非平稳且带有随机性的过程。这种复杂性和不确定性，使得仅用一种数学模型无法对各种影响因素及数据波动规律进行有效归纳。因此基于建筑时序负荷数据逆向分解的负荷预测建模方法得到了广泛的应用。
目前该方向研究技术思想是将监测到的建筑负荷(耗冷热量)时序数据分解成不同频率的分量，分别关联影响因素建模，再重构负荷实现预测。虽然分解算法考虑了数据的时间属性，解构了负荷并在一定程度上提高了预测精度，但分解出的组分分量并没有明确物理意义。这一方面使得分量预测模型在选择输入变量时缺乏依据，另一方面建筑热量组分信息的缺失，将限制建筑设计和运行的优化进程。
发明内容
本发明的目的是为了克服现有技术中的不足，解决上述现有技术分解组分缺乏物理意义的缺陷，提供一种基于热量组分解析的建筑空调负荷预测方法，
本发明的目的是通过以下技术方案实现的：
一种基于热量组分解析的建筑空调负荷预测方法，包括以下步骤：
S1：模拟获取典型类型建筑空调负荷中具有不同物理意义及形态特征的热量组分数据，包括由外部扰动产生的各类分项负荷组分，与由内部扰动产生的各类分项负荷组分；抽取部分热量组分数据构成各组分字典学习样本矩阵；
S2：对各组分字典学习样本矩阵运用非负K-SVD字典学习算法，获得相应字典矩阵；
S3：对预测对象建筑的历史空调总负荷数据进行整理，构成预测训练样本；结合各字典矩阵，运用非负稀疏表示算法进行解析，获得历史数据中各项负荷组分的估计值；
S4：在实际监测中获取预测训练样本对应时刻的室外气象参数；
S5：对于S3中解析获得的由外部扰动产生的分项负荷组分，创建以室外气象参数及历史分项负荷组分数据为输入变量的黑箱预测模型；
S6：对于S3中解析获得的由内部扰动产生的分项负荷组分，创建自回归预测模型；
S7：建立总预测模型；将S5、S6中各模型的预测结果相加，得到总负荷预测值。
进一步的，步骤S1中，外部扰动包括室内外空气温差和太阳辐射等室外各种气象因素；内部扰动包括人员、设备和照明等因素。
进一步的，步骤S1中：抽取形成的各组分字典学习样本矩阵包含M天的分项负荷数据，每天24小时，记为Xi(i＝1,2,…k)。其中Xi行数为24，列数为M，k为负荷组分数目。
进一步的，步骤S2中非负K-SVD字典学习算法的表达式为：
式中，Xi为已知的字典学习样本矩阵，Bi为24行，N列的字典矩阵，Ai为N行，M列的稀疏系数矩阵，且Xi、Bi和Ai均为非负矩阵；‖Y‖F＝(∑p,qYpq)1/2代表F范数，‖Y‖0为0范数；ai为Ai的列向量，‖ai‖0≤L表示Ai的每一列中所包含的非零项个数不能超过L个。
进一步的，步骤S3中非负稀疏表示算法的表达式为：
式中，X′为预测对象建筑的历史空调总负荷数据，为24行，M′列的矩阵； 为所求各组分对应的最优稀疏系数矩阵；λ≥0为稀疏度，反映稀疏系数矩阵稀疏程度；表示中各元素的和。
进一步的，步骤S3中获得各项负荷组分的估计值的表达式为：
式中，为24行，M′列的矩阵。
进一步的，步骤S4中室外气象参数包括室外空气干球温度、相对湿度和太阳辐射量等。
进一步的，步骤S5具体包括：建立由外部扰动产生的某项负荷组分黑箱预测模型，输入为τ时刻与该组分相关性较高的室外气象参数和τ时刻以前的该组分历史数值，输出为τ时刻该组分预测值。
进一步的，步骤S6具体包括：建立由内部扰动产生的某项负荷组分的自回归模型，输入为该组分τ时刻以前的历史数据，输出为τ时刻该组分预测值。
进一步的，步骤S7具体包括：对步骤S5、S6构建的预测模型得到τ时刻的各负荷组分值进行求和，获得建筑空调总负荷τ时刻的预测值。
与现有技术相比，本发明的技术方案所带来的有益效果是：
本发明方法基于具有不同物理意义的各热量组分间存在的形态特征差异，有效解析了建筑空调负荷，获得具有不同物理意义的分项负荷组分。组分所具有的物理意义，对预测过程中输入变量和算法的选取具有较好的导向性。这个方法填补了现有预测方向上分解技术的缺陷，并提高了预测精度。此外，通过获得建筑热量组分信息，可以实现对建筑耗能模式的深入分析。如，对建筑围护结构进行总体热工性能评价，对建筑人员用能模式进行详细分析等，为建筑节能提供更多指导性建议。
附图说明
图1是本发明方法的流程示意图；
图2是本发明方法提供的实例中模拟负荷示意图；
图3-1至3-5分别是本发明方法提供的实例中对应温差负荷、日射负荷、新风负荷、内扰工作日负荷及周末负荷的字典矩阵灰度图；
图4-1至4-4分别是本发明方法提供的实例中温差负荷、日射负荷、新风负荷和内扰负荷解析结果示意图；
图5-1至5-5分别是本发明方法提供的实例中温差负荷、日射负荷、新风负荷、内扰负荷及总负荷预测结果示意图。
具体实施方式
以下结合附图和具体实施例对本发明作进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
如图1所示，一种基于热量组分解析的建筑空调负荷预测方法，包含以下步骤：
S1：模拟获取典型类型建筑空调负荷中具有不同物理意义及形态特征的热量组分数据，包括由外部扰动产生的各类分项负荷组分，与由内部扰动产生的各类分项负荷组分；抽取部分热量组分数据构成各组分字典学习样本矩阵；
本实施例中，考虑建筑空调负荷中不同热量组分具有的形态特征，将空调负荷分为4项，其中3项由外扰产生，包括：由围护结构内外温差传热所形成的温差负荷，由太阳辐射产生的日射负荷，由空调系统或空气渗透向室内引入新风而形成的新风负荷；及1项由内扰产生的内扰负荷。采用Trnsys模拟软件模拟获得天津一栋典型民用建筑1990-2009年夏季空调总负荷及这4个分项组分。抽取每年夏季50天共1000天的数据，构成字典学习矩阵。由于内扰负荷在工作日与周末有显著的形态差异，需要用2个矩阵进行描述，因此共形成了5个字典学习矩阵Xi(i＝1,2,3,4,5)，Xi行数为24，列数为1000。
S2：对各组分字典学习样本矩阵运用非负K-SVD字典学习算法，获得相应字典矩阵；
具体地，对5个字典学习样本矩阵Xi运用非负K-SVD字典学习算法，获得5个行为24，列为150的字典矩阵Bi(i＝1,2,3,4,5)。非负K-SVD字典学习算法的表达式为：
S3：对预测对象建筑的历史空调总负荷数据进行整理，构成预测训练样本；结合各字典矩阵，运用非负稀疏表示算法进行解析，获得历史数据中各项负荷组分的估计值；
本实施例中，以模拟所用民用建筑为预测对象，对其2010年的空调负荷进行模拟，并选取较为炎热的6月29日至7月9日的数据作为预测训练样本X′。结合5个字典矩阵Bi，运用非负稀疏表示算法进行解析，获得各项组分估计值其中，非负稀疏表示算法的表达式为：
各分项冷负荷估计值的表达式为：
S4：在实际监测中获取预测训练样本对应时刻的室外气象参数，如室外空气干球温度、相对湿度、太阳辐射量等；
本实例中，气象参数来源为天津市气象局，包括室外空气干球温度、相对湿度和太阳辐射量。
S5：对于S3中解析获得的由外部扰动产生的分项负荷组分，创建以室外气象参数及历史分项负荷组分数据为输入变量的黑箱预测模型；
具体地，对温差负荷、日射负荷及新风负荷分别建立BP神经网络(BackPropagation Neural Network)预测模型，记为BP1、BP2、BP3。其中，BP1输入变量为当前时刻室外空气干球温度、前一时刻温差负荷，输出为当前时刻温差负荷；BP2输入变量为当前时刻太阳辐射强度、前一时刻日射负荷，输出为当前时刻日射负荷；BP3输入变量为当前时刻室外空气干球温度、室外空气相对湿度、前一时刻新风负荷，输出为当前时刻新风负荷。
S6：对于S3中解析获得的由内部扰动产生的分项负荷组分，创建自回归预测模型；
具体地，对内扰负荷建立ARIMA(Autoregressive Moving Integrated AverageModel)预测模型，输入为前2个时刻内扰负荷及误差，输出为当前时刻内扰负荷。
S7：建立总预测模型。将S5、S6中各模型的预测结果相加，得到总负荷预测值；
本实施例中，对预测对象2010年7月13日至7月23日建筑模拟负荷数据采用本发明基于热量组分解析的建筑空调负荷预测方法进行预测。
下面结合图表对本发明进行说明：
S1：模拟获取典型类型建筑空调负荷中具有不同物理意义及形态特征的热量组分数据。随机取Trnsys模拟结果中一周的数据进行展示，见图2。
S2：对行为24，列为1000的5个字典学习样本矩阵运用非负K-SVD字典学习算法，获得5个行为24，列为150的字典矩阵。为了展示字典矩阵，此处采用灰度图的形式，见图3-1至3-5，图中颜色越深代表的数值越小。
S3：对预测训练样本运用非负稀疏表示算法进行解析，获得各项组分估计值。解析结果见图4-1至4-4，其中6月29日的解析结果如表1所示。
表1 6月29日空调负荷解析结果
S4：获取训练样本对应时刻的室外气象参数，其中6月29日的气象数据如表2所示。
表2 6月29日气象数据
S5：对于S3中解析获得的由外部扰动产生的分项负荷组分，创建以室外气象参数及历史分项负荷组分数据为输入变量的黑箱预测模型。
S6：对于S3中解析获得的由内部扰动产生的分项负荷组分，创建自回归预测模型。
S7：建立总预测模型。
结果展示及分析：
对预测对象2010年7月11日至7月23日建筑模拟负荷数据采用本发明基于热量组分解析的建筑空调负荷预测方法进行预测。其中7月13日的结果如表3所示，总体预测情况见表4和图5-1至5-5。
表3 7月13日空调负荷预测结果
表4分项模型及总模型预测结果
| Model | MAE | CV | RMSE |
| BP<sub>1</sub> | 1.05 | 20.98％ | 1.82 |
| BP<sub>2</sub> | 0.69 | 11.83％ | 1.05 |
| BP<sub>3</sub> | 1.27 | 9.86％ | 1.75 |
| ARIMA | 1.66 | 20.07％ | 2.16 |
| Sum | 2.25 | 6.13％ | 2.83 |
本发明并不限于上文描述的实施方式。以上对具体实施方式的描述旨在描述和说明本发明的技术方案，上述的具体实施方式仅仅是示意性的，并不是限制性的。在不脱离本发明宗旨和权利要求所保护的范围情况下，本领域的普通技术人员在本发明的启示下还可做出很多形式的具体变换，这些均属于本发明的保护范围之内。
Claims (10)
1.一种基于热量组分解析的建筑空调负荷预测方法，其特征在于，包括以下步骤：
S1：模拟获取典型类型建筑空调负荷中具有不同物理意义及形态特征的热量组分数据，包括由外部扰动产生的各类分项负荷组分，与由内部扰动产生的各类分项负荷组分；抽取部分热量组分数据构成各组分字典学习样本矩阵；
S2：对各组分字典学习样本矩阵运用非负K-SVD字典学习算法，获得相应字典矩阵；
S3：对预测对象建筑的历史空调总负荷数据进行整理，构成预测训练样本；结合各字典矩阵，运用非负稀疏表示算法进行解析，获得历史数据中各项负荷组分的估计值；
S4：在实际监测中获取预测训练样本对应时刻的室外气象参数；
S5：对于S3中解析获得的由外部扰动产生的分项负荷组分，创建以室外气象参数及历史分项负荷组分数据为输入变量的黑箱预测模型；
S6：对于S3中解析获得的由内部扰动产生的分项负荷组分，创建自回归预测模型；
S7：建立总预测模型；将S5、S6中各模型的预测结果相加，得到总负荷预测值。
2.根据权利要求1所述一种基于热量组分解析的建筑空调负荷预测方法，其特征在于，步骤S1中，外部扰动包括室外气象因素；内部扰动包括人员、设备和照明因素。
3.根据权利要求1所述一种基于热量组分解析的建筑空调负荷预测方法，其特征在于，步骤S1中：抽取形成的各组分字典学习样本矩阵包含M天的分项负荷数据，每天24小时，记为Xi(i＝1，2，…k)。其中Xi行数为24，列数为M，k为负荷组分数目。
4.根据权利要求1所述一种基于热量组分解析的建筑空调负荷预测方法，其特征在于，步骤S2中非负K-SVD字典学习算法的表达式为：
式中，Xi为已知的字典学习样本矩阵，Bi为24行，N列的字典矩阵，Ai为N行，M列的稀疏系数矩阵，且Xi、Bi和Ai均为非负矩阵；||Y||F＝(∑p，qYpq)1/2代表F范数，||Y||0为0范数；ai为Ai的列向量，||ai||0≤L表示Ai的每一列中所包含的非零项个数不能超过L个。
5.根据权利要求1所述一种基于热量组分解析的建筑空调负荷预测方法，其特征在于，步骤S3中非负稀疏表示算法的表达式为：
式中，X′为预测对象建筑的历史空调总负荷数据，为24行，M′列的矩阵； 为所求各组分对应的最优稀疏系数矩阵；λ≥0为稀疏度，反映稀疏系数矩阵稀疏程度；表示中各元素的和。
6.根据权利要求1所述一种基于热量组分解析的建筑空调负荷预测方法，其特征在于，步骤S3中获得各项负荷组分的估计值的表达式为：
式中，为24行，M′列的矩阵。
7.根据权利要求1所述一种基于热量组分解析的建筑空调负荷预测方法，其特征在于，步骤S4中室外气象参数包括室外空气干球温度、相对湿度和太阳辐射量。
8.根据权利要求1所述一种基于热量组分解析的建筑空调负荷预测方法，其特征在于，步骤S5具体包括：建立由外部扰动产生的某项负荷组分黑箱预测模型，输入为τ时刻与该组分相关性较高的室外气象参数和τ时刻以前的该组分历史数值，输出为τ时刻该组分预测值。
9.根据权利要求l所述一种基于热量组分解析的建筑空调负荷预测方法，其特征在于，步骤S6具体包括：建立由内部扰动产生的某项负荷组分的自回归模型，输入为该组分τ时刻以前的历史数据，输出为τ时刻该组分预测值。
10.根据权利要求1所述一种基于热量组分解析的建筑空调负荷预测方法，其特征在于，步骤S7具体包括：对步骤S5、S6构建的预测模型得到τ时刻的各负荷组分值进行求和，获得建筑空调总负荷τ时刻的预测值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910571834.0A CN110443404A (zh) | 2019-06-28 | 2019-06-28 | 一种基于热量组分解析的建筑空调负荷预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910571834.0A CN110443404A (zh) | 2019-06-28 | 2019-06-28 | 一种基于热量组分解析的建筑空调负荷预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110443404A true CN110443404A (zh) | 2019-11-12 |
Family
ID=68429313
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910571834.0A Pending CN110443404A (zh) | 2019-06-28 | 2019-06-28 | 一种基于热量组分解析的建筑空调负荷预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110443404A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111311434A (zh) * | 2020-02-14 | 2020-06-19 | 广州水沐青华科技有限公司 | 用电设备负荷分离方法、装置、计算机设备和存储介质 |
| CN112365103A (zh) * | 2020-12-11 | 2021-02-12 | 同济大学建筑设计研究院(集团)有限公司 | 运行阶段建筑短期负荷预测方法、装置、设备和介质 |
| CN113191418A (zh) * | 2021-04-27 | 2021-07-30 | 华中科技大学 | 基于室外气象参数的非侵入式建筑分项冷负荷监测方法 |
| CN113469502A (zh) * | 2021-06-08 | 2021-10-01 | 广西大学 | 一种基于字典学习的区别分组非侵入式负荷分解方法 |
| CN114811858A (zh) * | 2022-03-22 | 2022-07-29 | 国网上海市电力公司 | 一种空调负荷在线学习方法 |
-
2019
- 2019-06-28 CN CN201910571834.0A patent/CN110443404A/zh active Pending
Non-Patent Citations (2)
| Title |
|---|
| XINYI LIN 等: "《Short-term forecast model of cooling load using load component disaggregation》", 《APPLIED THERMAL ENGINEERING》 * |
| 张贺佳: "《基于稀疏表示与字典学习的建筑冷负荷热量组分反向分解》", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111311434A (zh) * | 2020-02-14 | 2020-06-19 | 广州水沐青华科技有限公司 | 用电设备负荷分离方法、装置、计算机设备和存储介质 |
| CN112365103A (zh) * | 2020-12-11 | 2021-02-12 | 同济大学建筑设计研究院(集团)有限公司 | 运行阶段建筑短期负荷预测方法、装置、设备和介质 |
| CN112365103B (zh) * | 2020-12-11 | 2023-10-13 | 同济大学建筑设计研究院(集团)有限公司 | 运行阶段建筑短期负荷预测方法、装置、设备和介质 |
| CN113191418A (zh) * | 2021-04-27 | 2021-07-30 | 华中科技大学 | 基于室外气象参数的非侵入式建筑分项冷负荷监测方法 |
| CN113469502A (zh) * | 2021-06-08 | 2021-10-01 | 广西大学 | 一种基于字典学习的区别分组非侵入式负荷分解方法 |
| CN113469502B (zh) * | 2021-06-08 | 2023-08-15 | 广西大学 | 一种基于字典学习的区别分组非侵入式负荷分解方法 |
| CN114811858A (zh) * | 2022-03-22 | 2022-07-29 | 国网上海市电力公司 | 一种空调负荷在线学习方法 |
| CN114811858B (zh) * | 2022-03-22 | 2023-11-10 | 国网上海市电力公司 | 一种空调负荷在线学习方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110443404A (zh) | 一种基于热量组分解析的建筑空调负荷预测方法 | |
| Zhang et al. | A systematic feature selection procedure for short-term data-driven building energy forecasting model development | |
| Amasyali et al. | Machine learning for occupant-behavior-sensitive cooling energy consumption prediction in office buildings | |
| CN107730006B (zh) | 基于可再生能源大数据深度学习的建筑近零能耗控制方法 | |
| CN107392368B (zh) | 一种基于气象预报的办公建筑动态热负荷组合预测方法 | |
| CN107609667B (zh) | 基于Box_cox变换和UFCNN的供热负荷预测方法及系统 | |
| CN111260126B (zh) | 计及天气与气象因子关联度的短期光伏发电预测方法 | |
| CN106951611A (zh) | 一种基于使用者行为的严寒地区建筑节能设计优化方法 | |
| Liu et al. | Identifying the most significant input parameters for predicting district heating load using an association rule algorithm | |
| Belić et al. | Thermal modeling of buildings with RC method and parameter estimation | |
| CN112149890A (zh) | 基于用户用能标签的综合能源负荷预测方法及系统 | |
| CN113255210A (zh) | 一种风电机组联邦故障诊断方法及系统 | |
| CN109144039A (zh) | 一种基于时序扩展和邻域保持极限学习机的间歇过程故障检测方法 | |
| Zhao et al. | Short-term microgrid load probability density forecasting method based on k-means-deep learning quantile regression | |
| Rysanek et al. | Forecasting the impact of climate change on thermal comfort using a weighted ensemble of supervised learning models | |
| Goliatt et al. | Modeling heating and cooling loads in buildings using Gaussian processes | |
| Kumar et al. | Forecasting indoor temperature for smart buildings with ARIMA, SARIMAX, and LSTM: A fusion approach | |
| CN114595861A (zh) | 基于mstl和lstm模型的中长期电力负荷预测方法 | |
| CN113868954A (zh) | 一种空调负荷预测方法及系统 | |
| Dasi et al. | Predicting the consumed heating energy at residential buildings using a combination of categorical boosting (CatBoost) and Meta heuristics algorithms | |
| CN114862032A (zh) | 一种基于XGBoost-LSTM的电网负荷预测方法及装置 | |
| Ramnath et al. | A statistical and predictive modeling study to analyze impact of seasons and COVID-19 factors on household electricity consumption | |
| CN107895203B (zh) | 一种基于信号稀疏表示的建筑分项冷负荷获取方法 | |
| De Vera et al. | A stochastic precipitation generator conditioned by a climate index | |
| Choi et al. | Interpretable deep learning model for load and temperature forecasting: Depending on encoding length, models may be cheating on wrong answers |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191112 |
|
| RJ01 | Rejection of invention patent application after publication |